多语言文档检索：跨语言资料怎么查和核对

先确定检索范围和写作目标

开始前先写清楚本次任务要回答什么问题、允许使用哪些语言、资料覆盖哪些时间范围，以及最终需要输出事实、比较、步骤还是引用。不要把“找相关资料”当成唯一目标，否则后面很难判断结果是否合格。

1. 列出语言范围，例如中文、英文或其他实际使用的语言，并记录语言代码。
2. 写出文章要解决的具体问题，例如“某产品功能如何使用”或“某报告如何支持一个结论”。
3. 区分资料类型：产品文档、报告、网页、图片扫描件和表格。
4. 确定引用要求：需要原文段落、页码、网页标题、发布日期，还是只保留内部文件编号。

建立多语言资料登记表

先把文件和网页登记清楚，再做检索。建议每行只对应一个可独立复核的资料单元，避免一行混放多个版本。

如果资料包含扫描页、图表或截图，可参考多模态资料检索与写作准备流程中的字段思路，把图片编号、页面位置和人工确认结果一并记录。

设计跨语言检索字段

每份资料至少准备四组字段：原文标题、中文说明、主题词和同义表达。主题词不要只做直译，还要保留产品名称、缩写、专业术语和常见拼写变体。

• 概念字段：记录中文术语、原文术语、缩写和近义词。
• 动作字段：记录查找、配置、导出、比较、验证等操作词的不同语言表达。
• 对象字段：记录产品、功能、报告章节、数据集或页面元素。
• 限制字段：记录版本、地区、日期、文件类型和权限条件。
• 证据字段：记录命中片段、页码、段落位置、原文链接和复核状态。

检索字段模板可以写成：query_id | query_language | query_text | translated_query | filters | expected_doc | evidence_location | review_status。这样每次查询都能复现，也方便比较不同语言的覆盖情况。

用固定样本运行查询测试

1. 从真实写作任务中选取三到五个问题，分别覆盖定义、操作步骤、限制条件和对比信息。
2. 为每个问题写出原始语言查询，并制作语义等价的其他语言查询。
3. 先只使用关键词查询，再加入同义词、产品名、版本和资料类型筛选。
4. 记录每次查询的返回文档、命中位置、排序变化、空结果和误命中。
5. 不要在测试中临时改变问题含义；需要改写时，另建一个 query_id。

示例问题：中文问题是“如何导出报告中的多语言引用依据”。可以分别准备中文查询、英文查询和术语混合查询，并要求每个结果返回资料编号、原文标题、命中段落和定位信息。测试重点不是结果数量，而是不同语言查询能否找到同一组关键证据。

对照命中结果并复核引用

检索结果只能作为候选证据，不能直接等同于文章结论。对每条准备写入正文的事实，至少完成以下对照：

1. 打开原始文档，确认命中片段没有脱离上下文。
2. 核对原文语言、版本、日期和资料位置。
3. 比较不同语言版本是否为同一资料，注意译名、数字、条件和否定表达。
4. 将文章中的结论拆成事实句，逐句绑定 doc_id 和 evidence_location。
5. 对无法确认的译法、版本或上下文标记为待人工确认，不直接写成确定结论。

常见故障和修正动作

• 只搜到中文资料：原因通常是没有加入原文术语或语言筛选。修正动作是为关键概念补充原文词、缩写和拼写变体，再运行同一组查询。
• 不同语言结果互不对应：原因可能是翻译改变了问题范围，或查询使用了不同的版本条件。修正动作是先拆出对象、动作和限制条件，重新制作语义等价查询。
• 命中结果很多但无法引用：原因是只保存了标题，没有保存段落、页码或图片位置。修正动作是补齐 evidence_location，并把不可定位的结果降为待复核。
• 扫描资料几乎没有命中：原因可能是文字层缺失、版面解析失败或语言识别错误。修正动作是先人工抽查页面，补充解析文本和页面编号，再加入检索字段。
• 翻译后结论变得更绝对：原因是原文中的条件、例外或否定被省略。修正动作是并排保存原文与译文，逐句核对限定词，并缩小文章表述。

发布前引用验收清单

• 已登记所有实际使用的资料、语言、版本和来源位置。
• 每个关键事实都能关联到 doc_id 和可定位的原文证据。
• 至少测试过两种语言查询，且记录了空结果和误命中。
• 译文没有删除数字、条件、例外、否定或时间范围。
• 正文没有把检索候选、推测内容写成已确认事实。
• 网页链接、文件路径、页码和图片编号经过人工打开或抽查。
• 不可确认的资料已标记状态，未进入可发布引用。
• 保存了查询样本、结果对照表和最终引用验收记录。